随机过程 STL 需求的共形定量预测监控
系统与控制
2023-04-07 v2 机器学习
计算机科学中的逻辑
机器人学
系统与控制
摘要
我们考虑预测监控(PM)问题，即在运行时根据系统当前状态预测所需性质的满足情况。由于 PM 对运行时安全保证和在线控制具有重要意义，PM 方法需要高效以实现对预测违规的及时干预，同时提供正确性保证。我们引入定量预测监控(QPM)，这是首个支持随机过程且支持以信号时序逻辑(STL)给出的丰富规约的 PM 方法。与大多数预测某性质 是否满足的现有 PM 技术不同，QPM 通过预测 的定量(亦称鲁棒)STL 语义来提供满足程度的定量度量。QPM 推导出的预测区间计算高效且具有概率保证，即这些区间以任意概率覆盖相对于系统随机演化的 STL 鲁棒性值。为此，我们采用机器学习方法并利用共形推断在分位数回归中的最新进展，从而避免在运行时进行昂贵的蒙特卡洛模拟来估计区间。我们还展示了监控器如何以组合方式结合以处理复合公式，而无需重新训练预测器也不牺牲保证。我们在四个具有不同复杂度的离散时间随机过程基准上展示了 QPM 的有效性和可扩展性。
引用
@article{arxiv.2211.02375,
title = {Conformal Quantitative Predictive Monitoring of STL Requirements for Stochastic Processes},
author = {Francesca Cairoli and Nicola Paoletti and Luca Bortolussi},
journal= {arXiv preprint arXiv:2211.02375},
year = {2023}
}